2026 年 9 月 10 日，OpenAI 正式将 GPT-Live-1 开放至 API，开发者现在可以调用这个驱动 ChatGPT 语音功能的全双工语音模型。它最大的特点是“边听边说”——在生成语音输出的同时持续处理输入，能自然地处理打断、停顿和背景噪声。语音前端定价为每分钟 0.05 美元，按秒计费。
但有一个关键限制需要先讲清楚：GPT-Live-1 API 和已有的 GPT-Realtime API 是完全不同的技术栈。 如果你已经在用 gpt-realtime-2.1，不能直接把模型 ID 换掉就完事——端点、传输协议、计费单位全部不同。迁移需要重新对接。
【快速答案】
- GPT-Live-1 是什么：OpenAI 的全双工语音模型，同时听取和输出语音，能处理打断和停顿。语音理解与输出整合在同一个模型中，取代了传统的“语音转文字→LLM→文字转语音”三段式流程。
- 和 GPT-Realtime 的区别：GPT-Live-1 只有 Live Sessions 一个端点（v1/live/sessions），传输协议为 WebRTC，按分钟计费（$0.05/分钟）。GPT-Realtime 有独立的 Realtime API 端点，按音频 token 计费。两者无法直接互换。
- 定价：语音层 $0.05/分钟（按秒计费），后端模型和工具调用另行计费。不存在“每分钟 0.05 美元全包”的情况。
- 最适合谁：需要构建电话客服、口语陪练、电话外呼机器人的开发者；需要低延迟全双工对话体验的应用场景。
- 下一步：如果你已有 Realtime API 集成，需要评估迁移成本。如果是新项目，GPT-Live-1 的架构更现代，但需要注意 WebRTC 传输要求。
- 最大限制：不支持免费方案调用；只有 WebRTC，不支持 WebSocket；没有日期版本可固定；中文语音质量官方没有承诺。
GPT-Live-1 API 到底解决了什么问题？
传统语音 AI 的架构是这样的：用户的语音先经过语音识别（ASR）转成文字，交给大语言模型（LLM）推理，再通过语音合成（TTS）生成回复。这套三段式流程有一个根本问题——每个环节都要等上一个环节完成，响应延迟普遍在 800 毫秒到 2 秒之间。
更麻烦的是“打断”。用户一旦插话，要么被系统忽略，要么触发混乱的重置逻辑。因为系统必须等 VAD（语音活动检测）判定用户“说完了”，才能开始处理。用户思考时的短暂停顿、背景噪音、甚至一声“嗯”，都可能被误判为“发言结束”。
GPT-Live-1 的架构改变在于：它把听和说整合进同一个模型，在生成输出语音的同时持续处理输入。用户在说话过程中可以随时打断，模型会停下来听；用户思考时它等待；用户加速时它跟上。
根据 OpenAI 开发者社区公布的数据，GPT-Live-1 的响应延迟为 0.798 秒，而 GPT-Realtime-2.1 为 1.41 秒。在 Full Duplex Bench v1.5 交互性测试中得分 80.1%，在 Artificial Analysis 的对话动态基准测试中得分 97.3%。
这种能力不是靠后端的规则引擎打补丁实现的，而是模型在训练阶段就将“听”和“说”作为统一任务进行端到端优化。
GPT-Live-1 API 和 GPT-Realtime API 有什么区别？迁移要付什么代价？
这是目前开发者最需要搞清楚的问题。OpenAI 现在有两个语音技术栈，名字里都带“Realtime”或“Live”，但架构和接口完全不同。
| 对比维度 | GPT-Live-1 API | GPT-Realtime API |
|---|---|---|
| 端点 | v1/live/sessions | v1/realtime/sessions |
| 传输协议 | 仅 WebRTC | WebSocket + WebRTC |
| 计费单位 | 每分钟 $0.05（按秒计费） | 按音频 token 计费（输入 $32/M tokens，输出 $64/M tokens） |
| 模型 ID | 只有 gpt-live-1，无日期版本 | 多个版本可选（gpt-realtime-2.1、2.1-mini 等） |
| 后端模型 | 委派给独立的文本模型（如 GPT-6 Astra） | 语音模型自身处理推理 |
| 速率限制 | 按并发会话计算（Tier 1：25） | 按每分钟请求数计算 |
| 免费方案 | 完全不可调用 | 有免费额度 |
数据来源：OrcaRouter 对比分析和 OpenAI 开发者文档。
迁移的核心代价在传输协议。 GPT-Live-1 只支持 WebRTC，而大量电话基础设施（包括大多数 CPaaS 产品中的媒体流管道）使用的是 WebSocket 而非 WebRTC。从 WebSocket 切换到 WebRTC 不是改一个配置项就能完成的事，需要实际的工程投入。
相比之下，Grok Voice Think Fast 2.0（xAI 的全双工语音模型）同时支持 WebSocket 和 WebRTC，定价为 $0.08/分钟。如果团队的现有基础设施是 WebSocket 为主的，这一点需要在技术选型时纳入考虑。
计费方式的差异也值得注意。GPT-Realtime 按音频 token 计费，开发者需要先模拟音频消耗才能预测单次通话成本。GPT-Live-1 的每分钟固定费率把这个计算简化为乘法：5 分钟通话 = $0.25，10 分钟 = $0.50，每小时满负荷 = $3.00。但注意，这只是语音层的费用，后端模型调用和工具使用另行计费。
用 GPT-Live-1 API 搭建电话客服：实操步骤
OpenAI 官方推荐通过合作伙伴工具来简化集成。Twilio 的 Agent Connect SDK 已经内置了 GPT-Live-1 的 Provider，可以直接把 Twilio Programmable Voice 的媒体流桥接到 GPT-Live-1。
以下步骤基于 Twilio 官方教程整理。
第一步：准备环境和凭证
你需要：一个 Twilio 账户和带 Voice 功能的电话号码、一个有 GPT-Live 访问权限的 OpenAI API Key、Python 3.10+、以及 Twilio Agent Connect SDK v2.4.0+（安装时加上 server 和 gpt-live extras）。
本地开发还需要一个公网 HTTPS/WSS 端点，ngrok 可以满足这个需求。
容易踩的坑：OpenAI API Key 必须保留在服务端，不要暴露到客户端。Twilio 的媒体流走的是 WebSocket，但 GPT-Live-1 要求 WebRTC，Twilio 的 Agent Connect SDK 帮你处理了这个转换，不需要自己写 WebSocket 管道。
第二步：初始化 Agent 并配置问候语
GPT-Live-1 支持让 AI 主动问候来电者，这在客服场景中很实用。你可以在配置中指定 Agent 的开场白，当电话接通时，它会主动介绍自己并询问需求。
语音格式可以配置为直接匹配 Twilio Media Streams 的 8kHz mu-law 格式，减少不必要的转码开销。
第三步：配置工具调用
GPT-Live-1 的核心设计之一是“语音对话”和“业务处理”分离。语音层负责低延迟的听觉感知和自然表达，复杂的推理和工具调用委派给后端文本模型处理。
在 Twilio Agent Connect 中，你可以通过声明式配置来定义工具。比如当用户要求“帮我查一下订单状态”时，语音层会维持对话，同时后端模型通过 Responses API 调用你的订单查询接口，拿到结果后再由语音层自然地告知用户。
成功标志：拨打电话后，AI 能主动问候，用户提问后能触发工具调用，且在等待工具返回结果期间不会出现尴尬的沉默——GPT-Live-1 会在后台处理任务的同时继续与用户对话。
第四步：配置后端模型和推理强度
后端模型的选择直接影响响应速度和成本。对于预约、订单更新等简单任务，可以使用速度更快、成本更低的模型；对于复杂的客户问题，可以切换到更强的推理模型。
OpenAI 在开发者社区中提供了 gpt-5.6-terra 作为 WebRTC 示例中的默认后端模型。你也可以在 GPT-6 Astra 等模型上配置不同的推理强度。
口语陪练场景怎么用 GPT-Live-1？
语言学习是 GPT-Live-1 最自然的应用场景之一。传统的语音陪练系统最大的问题是“抢话”——学习者思考时稍微停顿一下，AI 就以为他说完了，开始回应，打断了学习者的思路。
OpenAI 披露的早期评估数据显示，语言学习平台 Speak 使用 GPT-Live-1 后，学习者思考停顿期间的误打断次数较此前基于轮次的系统减少了近 80%。这意味着 AI 终于能区分“用户在思考”和“用户说完了”。
在实际使用中，你可以通过系统提示词来定制陪练 Agent 的对话风格。比如设定语气为“耐心、鼓励型”，语速为“中等偏慢”，并在检测到用户犹豫时主动等待而非抢话。
一个多数教程不会提醒的细节：GPT-Live-1 的“嗯嗯”“对对”这类反馈音（backchannel）在口语陪练中非常有价值，但部分用户反馈这些反馈音出现得过于频繁，听起来不自然。在实际部署前，建议通过系统提示词适当限制反馈音的触发频率。
电话机器人和外呼场景的注意事项
GPT-Live-1 支持电话场景，可以用于预订餐厅、客户服务等全双工语音智能体。开发者可以将其与 Codex 等工具连接，也可以通过 OpenAI Presence 框架开发能够查询企业系统、执行获批操作并在必要时转交人工的语音工作流。
OpenAI Presence 是 OpenAI 在 2026 年 7 月推出的企业级产品，用于部署和管理实时语音 Agent。据 OpenAI 披露，Presence 目前已经在运营 OpenAI 自己的英语电话支持线。
如果你计划用 GPT-Live-1 做外呼机器人，有几个实际限制需要注意：
并发会话的限制方式。GPT-Live-1 的速率限制按“同时进行的会话数”计算，而非“每分钟请求数”。Tier 1 账户支持 25 个并发会话，Tier 2 到 Tier 5 依次提升至 50、200、300 和 500。如果你的业务有高峰时段（比如促销活动期间），需要提前评估并发需求并申请对应层级。
没有日期版本可固定。GPT-Live-1 只有一个模型 ID gpt-live-1，没有带日期后缀的版本可以固定使用。这意味着 OpenAI 更新模型时，你的生产环境会直接受到影响。对于需要版本稳定性的企业应用，这是一个需要纳入考量的风险因素。
中断语音不会自动取消后台任务。OpenAI 在开发者社区中明确说明：用户打断语音对话不会自动取消后台正在执行的任务。你的应用需要自行管理权限和任务状态。
GPT-Live-1 中文支持怎么样？
这是一个中文用户特别关心的问题，但官方至今没有给出明确的承诺。
在 2026 年 7 月 GPT-Live 系列在 ChatGPT 内上线时，多个中文科技媒体的实测反馈指出，中文语音仍然带有“外国人说中文”的口音，发音和语调与豆包等国产语音产品存在差距。部分评测指出，模型的中文发音在升级后“没有变化”。
更早的实测还提到，粤语等方言仍然夹杂书面语和普通话句式，口音不稳定。
需要明确的是，这些反馈来自 ChatGPT 内的语音模式体验，不是 API 的直接测试。API 层面的语音质量可能因后端模型配置和系统提示词的不同而有差异。但截至本文最后核查时间（2026 年 9 月 11 日），OpenAI 官方没有发布 GPT-Live-1 在中文或其他非英语语言上的质量基准，也没有对中文支持做出正式说明。
如果你的产品主要面向中文用户，建议在正式部署前先用 API 做一轮中文对话质量的实际测试，而不是仅依据英文基准数据做判断。
哪些团队适合现在用 GPT-Live-1 API，哪些建议再等等
建议现在尝试的团队：
- 正在构建电话客服或外呼系统，当前使用回合制语音方案，用户体验的瓶颈在于打断处理
- 应用场景需要低延迟全双工对话（如实时翻译、语音助手），当前方案的响应延迟超过 1 秒
- 已经使用 WebRTC 传输，或者可以通过 Twilio Agent Connect 等工具桥接
- 对语音的中文质量要求不高，或者主要面向英语用户
建议谨慎或等待的团队：
- 现有基础设施基于 WebSocket 媒体流，迁移到 WebRTC 的工程成本较高
- 需要固定模型版本以保证生产环境稳定性的企业应用
- 主要面向中文用户，且对中文语音自然度有较高要求
- 已经在使用 gpt-realtime-2.1 且有稳定的集成方案，迁移的收益不足以覆盖成本
- 对成本敏感的高频电话场景——按并发会话计费的模式在高并发时需要仔细核算
FAQ
GPT-Live-1 API 和 GPT-Realtime API 能互换使用吗？
不能。GPT-Live-1 只有 Live Sessions 端点（v1/live/sessions），传输协议为 WebRTC，按分钟计费。GPT-Realtime 使用独立的 Realtime API 端点，支持 WebSocket 和 WebRTC，按音频 token 计费。两者无法直接互换。
GPT-Live-1 每分钟 0.05 美元包含后端模型费用吗？
不包含。$0.05/分钟只是语音层的费用。后端模型（如 GPT-6 Astra）的推理费用和工具调用费用需要另行支付。
免费版 ChatGPT 用户能调用 GPT-Live-1 API 吗？
不能。GPT-Live-1 API 目前不对免费方案开放。你需要有付费的 OpenAI API 账户。
GPT-Live-1 支持中文吗？中文语音质量如何？
官方没有对中文质量做正式承诺。根据 ChatGPT 内语音模式的用户反馈，中文语音带有较明显的口音，与国产语音产品存在差距。API 层面的中文质量建议自行测试验证。
用 GPT-Live-1 搭建一个电话客服需要多长时间？
如果使用 Twilio Agent Connect SDK，官方的快速入门示例可以在几小时内跑通基本流程。但生产级部署需要考虑并发限制申请、后端模型集成、工具调用配置、中文质量测试等工作，完整上线时间取决于业务复杂度。
GPT-Live-1 和 Grok Voice Think Fast 2.0 哪个更值得选？
取决于你的技术栈和需求。GPT-Live-1 价格为 $0.05/分钟，但只支持 WebRTC；Grok Voice 为 $0.08/分钟，同时支持 WebSocket 和 WebRTC。如果你的基础设施是 WebSocket 为主的，Grok Voice 的集成成本可能更低。如果追求更低价格且可以接受 WebRTC，GPT-Live-1 更有优势。
【资料来源 / 信息核查】
以下为本文实际参考的信息来源：
- OpenAI 官方公告“Build more natural voice experiences with GPT-Live-1 in the API”（2026-09-10）：https://openai.com/index/introducing-gpt-live-1-in-the-api/
用于确认 API 发布事实、核心功能、定价和基准测试数据。 - OpenAI 开发者社区公告“Introducing GPT-Live-1 in the API”（2026-09-10）：https://community.openai.com/t/introducing-gpt-live-1-in-the-api/1396471
用于确认基准测试数据（响应延迟、Full Duplex Bench 得分、工具调用成功率）和 API 使用说明。 - OpenAI API 文档“Prompting GPT-Live”：https://developers.openai.com/api/docs/guides/live
用于确认 API 架构、端点信息和使用方式。 - OrcaRouter“GPT-Live-1 登陸 API”（2026-09-10）：https://www.orcarouter.ai/zh-TW/blog/gpt-live-1-api-release
用于确认端点细节（v1/live/sessions）、速率限制（并发会话制）、计费方式和与 Realtime API 的架构差异。 - OrcaRouter“GPT-Live-1 vs Grok Voice Think Fast 2.0”（2026-09-10）：https://www.orcarouter.ai/zh-TW/blog/gpt-live-1-vs-grok-voice-think-fast-2-0
用于确认与 Grok Voice 的定价对比、传输协议差异和功能对比。 - Twilio 官方教程“How to Build a Voice AI Agent with OpenAI’s GPT-Live, Twilio Agent Connect, and Python”（2026-09-09）：https://www.twilio.com/en-us/blog/developers/tutorials/integrations/tac-gpt-live-voice-ai-agent-python
用于确认集成步骤、SDK 版本要求、音频格式配置和工具调用方式。 - AI TOP100“OpenAI GPT-Live-1上线API”（2026-09-11）：https://www.aitop100.cn/infomation/details/34657.html
用于确认 Speak 平台误打断减少数据和医疗平台代码量减少数据。 - Gigazine“OpenAIが音声会話AI「GPT-Live-1」のAPIをリリース”（2026-09-11）：https://gigazine.net/news/20260911-gpt-live-1/
用于确认 API 功能列表和日本媒体视角的分析。 - DataLearnerAI“GPT-Live-1 模型卡”（2026-07-08）：https://www.datalearner.com/
用于确认中文支持状态的官方标注。 - eesel.ai“GPT-Live-1 review”（2026-09-11）：https://www.eesel.ai
用于确认开发者社区中关于反馈音频率的常见反馈。 - OpenAI Presence 官方公告（2026-07-22）：https://openai.com/index/introducing-presence/
用于确认 Presence 作为企业语音 Agent 平台的功能和 OpenAI 自身的使用情况。